近些年，随着人工智能技术在医疗领域的快速落地，智能影像识别、辅助诊断、AI用药推荐、慢病智能管理等智能诊疗产品逐渐走进各级医疗机构，在提升诊疗效率、弥补医疗资源缺口等方面展现出显著价值。但作为直接关系患者生命健康的医疗工具，智能诊疗目前仍存在诸多亟待解决的医学层面问题，制约了其大范围规范化应用。

首先是训练数据的医学偏倚，带来诊断准确性与公平性缺陷。现有智能诊疗模型的训练数据多来源于一二线城市三甲医院的典型病例，基层医疗机构的不典型病例、欠发达地区的地方病、罕见病以及不同种族、不同基础疾病人群的病例占比极低，直接导致AI模型的诊断“偏科”。比如此前有研究显示，部分海外研发的皮肤癌智能识别模型对白种人浅色皮肤的病变识别准确率超过95%，但对黄种人、黑种人常见的肢端型、黏膜型黑色素瘤识别准确率不足60%，极易出现漏诊；而针对罕见病的智能诊断模型更是普遍受困于样本量不足，难以满足临床需求。这种偏倚本质上违背了医学诊断的普惠性要求，反而可能加剧不同地区、不同人群的医疗资源差距。

其次是模型逻辑缺乏临床复杂场景适配，不符合真实诊疗思维。现有多数智能诊疗模型是基于单维度数据训练的，比如仅针对医学影像、检验指标做识别判断，但真实临床诊疗中，医生需要结合患者主诉、既往病史、家族遗传史、生活习惯甚至经济状况等多维度信息做综合判断，同一种影像学表现，在不同年龄、不同基础病的患者身上可能对应完全不同的诊疗方案。比如同样是直径8mm的肺磨玻璃结节，对于无吸烟史、无肿瘤家族史的20岁年轻人，通常建议随访观察，而对于有40年吸烟史、有肺癌家族史的70岁老年人，则需要优先考虑恶性可能，安排进一步活检。但目前多数肺结节AI识别模型仅能给出结节的大小、形态风险，无法整合多维度临床信息给出适配个体的判断，甚至可能给临床医生带来误导。此外，对于急诊、重症等病情瞬息万变的动态场景，基于静态病例训练的AI模型普遍难以适配病情的动态变化，无法满足急重症诊疗的及时性、准确性要求。

第三是医学伦理与责任界定模糊，存在临床风险隐患。智能诊疗的应用目前尚未明确对应的医学责任划分规则：如果智能诊疗系统给出的辅助诊断建议出现漏诊、误诊，最终导致患者出现健康损害，责任应由出具诊断结论的接诊医生承担，还是由AI产品的研发方、提供方承担？目前全球范围内都没有明确的界定标准，也给临床纠纷的处理带来了难题。此外，过度依赖智能诊疗工具还可能导致临床医生尤其是年轻医生的诊疗能力退化：如果年轻医生长期依赖AI完成影像读片、病例分析等基础工作，自身的临床思维能力、体征判断能力、罕见病例识别能力都会出现退化，长期来看会对医学人才培养和医学传承带来负面影响。同时智能诊疗需要采集大量患者的病历、基因、生物特征等敏感医疗数据，一旦出现数据泄露，也会严重侵犯患者的医疗隐私权，违背医学伦理要求。

最后是缺乏统一的医学验证与准入标准，产品质量参差不齐。目前国内针对不同类别的智能诊疗产品，尚未建立全场景、全人群的统一医学验证标准，很多产品的准确率数据仅来源于研发阶段在特定医院、特定数据集上的测试结果，一旦进入基层医疗机构、欠发达地区等不同应用场景，受限于当地的影像拍摄质量、检验设备精度、病例特征差异，准确率会出现大幅下滑。部分产品也未明确标注自身的适用范围、局限性，导致临床医生在不知情的情况下超场景使用，最终引发诊疗风险。

整体来看，智能诊疗本质上是服务临床的辅助工具，其发展不能脱离医学规律单独谈技术迭代。未来只有推动临床医生深度参与AI产品的研发、验证全流程，建立符合临床需求的医学标准、伦理规则和责任划分机制，才能真正破解当前智能诊疗存在的各类医学问题，让技术真正惠及更多患者。

本文由AI大模型（Doubao-Seed-1.6）结合行业知识与创新视角深度思考后创作。